On the “degrees of freedom” of the lasso
Lasso 的有效自由度AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于通用正则化回归与模型选择理论，没有特定计量领域的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
Lasso 的有效自由度
- 研究问题
- 在 Stein 无偏风险估计框架下，如何估计 Lasso 的有效自由度，并据此构建用于选择拟合结果的模型选择准则？
- 方法与思路
- 作者在 SURE 框架中研究非零系数个数作为自由度估计量的性质，并结合 Cp、AIC、BIC 与 LARS 算法选择拟合。
- 材料陈述的贡献
- 摘要称，非零系数个数可无偏估计 Lasso 自由度且渐近一致，并称结合相关准则和算法可高效获得最优拟合。
- 阅读关注点
- 应核对自由度与风险的定义、无需特殊预测变量假设的确切范围、渐近一致性的条件，以及计算成本比较的口径。
- 阅读边界
- 所据 OpenAlex 索引摘要未注明稿件版本；摘要未完整说明误差模型和最优拟合的标准，不能推断任意设计或调参方案都适用。
原文摘要
We study the effective degrees of freedom of the lasso in the framework of Stein’s unbiased risk estimation (SURE). We show that the number of nonzero coefficients is an unbiased estimate for the degrees of freedom of the lasso—a conclusion that requires no special assumption on the predictors. In addition, the unbiased estimator is shown to be asymptotically consistent. With these results on hand, various model selection criteria—Cp, AIC and BIC—are available, which, along with the LARS algorithm, provide a principled and efficient approach to obtaining the optimal lasso fit with the computational effort of a single ordinary least-squares fit.